地震动的关键参数包括幅值、频谱和持时,对于结构抗震设计而言,地震动参数对结构的抗震设计尤为重要。造成严重地震震害的原因除了地震动幅值和频谱特性,还有地震动持续时间。目前,对于地震动幅值和频谱已经开展了大量研究,并且相关成果已经应用于结构抗震设计与评估,但地震动持时还没有得到充分考虑,尚需进一步对其特性开展研究。另外,传统预测公式在不同地区会存在预测值差异较大、适应性差等问题,也需要进一步解决。机器学习可以通过大数据样本的训练,学习得到参数之间的非线性关系,因此可以通过深度机器学习,利用地震动参数之间的关系,实现对地震动某些参数进行预测。也就是通过已知地震动某些容易得到的参数,预测出某些不易求得的地震动参数。相比于传统的经验预测公式,机器学习方法具有更高的计算效率、更灵活、更便于应用等特点。因此,为了能够给出一个简捷高效的地震动持时预测方法,本文开展了基于深度学习的地震动持时预测研究。论文主要完成了以下工作:（1）收集整理了日本K-NET和Ki K-net台站从1997-2021年的67813条地震动记录,建立了用于机器学习的地震动数据库。根据震源类型将地震动记录划分为浅层壳内地震、俯冲带板间地震、俯冲带板内地震和上地幔地震四类（赵兴权等,2015）,并对数据集的参数分布进行了分析,分析了各参数与地震动持时之间是否存在相关性。（2）建立了用于学习的深度学习神经网络,选取矩震级、震源深度、断层距、30m等效剪切波速VS30和1000m/s的覆盖层厚度Z1作为输入参数,将数据集按照8:2的比例分为预测集和测试集。分别对四类地震动的90%重要持时和70%重要持时进行了预测,并进行了误差分析、预测值与真实值对比和残差分析等,验证了预测结果的合理性和可靠性。（3）将本文建立的深度学习模型与Bahrampouri等（2021）给出的持时预测公式进行了比较,通过拟合效果对比和残差分析等,进一步验证了本文模型可以实现地震动持时的精确预测。另外,对模型90%重要持时的预测效果和70%重要持时的预测效果进行了对比分析与残差分析等,表明深度学习模型对90%重要持时的预测效果和70%重要持时的预测效果大致相同。